用于分子设计的分布式强化学习：抗氧化剂案例
机器学习
2023-12-05 v1 分布式、并行与集群计算
生物大分子
摘要
深度强化学习已成功应用于分子发现，Molecule Deep Q-network (MolDQN) 算法即为一例。然而，该算法在应用于优化新分子时面临挑战：此类模型的训练在向更大数据集扩展时受限，且训练好的模型无法泛化至同一数据集中的不同分子。本文提出了一种用于抗氧化剂的分布式强化学习算法 DA-MolDQN，以解决这些问题。DA-MolDQN 中集成了先进的键解离能 (BDE) 和电离能 (IP) 预测器，它们是优化抗氧化剂时至关重要的化学性质。通过针对分子修改的算法改进，缩短了训练时间。该算法是分布式的，可扩展至多达 512 个分子，并使模型能够泛化至多种不同的分子。所提出的模型使用专有抗氧化剂数据集进行训练。结果在专有和公开数据集上均得到了重现。所提出的分子已通过 DFT 模拟验证，其中一部分在公开的“未见”数据集中得到确认。总而言之，DA-MolDQN 比以前的算法快达 100 倍，并且能够从专有和公开的抗氧化剂中发现新的优化分子。
引用
@article{arxiv.2312.01267,
title = {Distributed Reinforcement Learning for Molecular Design: Antioxidant case},
author = {Huanyi Qin and Denis Akhiyarov and Sophie Loehle and Kenneth Chiu and Mauricio Araya-Polo},
journal= {arXiv preprint arXiv:2312.01267},
year = {2023}
}